CN113868803A - 机理模型和动态数据联合驱动的“云-边”结合数字孪生方法 - Google Patents
机理模型和动态数据联合驱动的“云-边”结合数字孪生方法 Download PDFInfo
- Publication number
- CN113868803A CN113868803A CN202111191507.6A CN202111191507A CN113868803A CN 113868803 A CN113868803 A CN 113868803A CN 202111191507 A CN202111191507 A CN 202111191507A CN 113868803 A CN113868803 A CN 113868803A
- Authority
- CN
- China
- Prior art keywords
- data
- performance
- cloud
- physical entity
- real
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000007246 mechanism Effects 0.000 title claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 45
- 238000005516 engineering process Methods 0.000 claims abstract description 36
- 238000004891 communication Methods 0.000 claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims abstract description 24
- 238000004088 simulation Methods 0.000 claims abstract description 18
- 238000007500 overflow downdraw method Methods 0.000 claims abstract description 12
- 238000012216 screening Methods 0.000 claims abstract description 3
- 238000012545 processing Methods 0.000 claims description 18
- 238000012544 monitoring process Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 9
- 238000013473 artificial intelligence Methods 0.000 claims description 8
- 238000013500 data storage Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000009877 rendering Methods 0.000 claims description 8
- 230000009193 crawling Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000005293 physical law Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000000926 separation method Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 6
- 238000010276 construction Methods 0.000 abstract 1
- 238000011156 evaluation Methods 0.000 abstract 1
- 230000010354 integration Effects 0.000 abstract 1
- 238000011161 development Methods 0.000 description 11
- 230000006399 behavior Effects 0.000 description 8
- 238000007726 management method Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000036544 posture Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 238000005303 weighing Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011960 computer-aided design Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000208140 Acer Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000010205 computational analysis Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008846 dynamic interplay Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种机理模型和动态数据联合驱动的“云‑边”结合数字孪生方法，用于构建多种物理实体的数字孪生。获取特定的物理实体信息，对采集数据进行筛选和简单分析，采用实时通讯技术将处理后的数据传输到计算和分析部分，根据所得到数据由相应的仿真分析方法模拟并预测物理实体的外在行为和内在性能信息，将预处理数据、分析数据和物理实体的几何数据相结合，利用多源数据融合方法将多种数据集成并存储，同时满足数字孪生数据的历史可溯性、当下实时性和未来预测性。本发明实现了针对多种物理实体形貌和性能一体的数字孪生快速构建，利用有限的传感器信息实时得到物理实体的姿态和全局性能信息，有助于实现针对物理实体的有效评估、精准预测和最优决策。
Description
技术领域
本发明属于数字孪生领域，涉及一种机理模型和动态数据联合驱动的“云-边”结合数字孪生方法。
背景技术
数字孪生是一种建立物理世界与虚拟世界之间实时联系和交互的概念。借助虚拟世界，数字孪生可以实现对物理世界中表层和隐藏信息的实时呈现和分析，进而为智能化决策提供数据支撑。得益于当前传感器、网络爬虫、通讯、大数据、人工智能、计算机辅助设计、数值仿真、计算机渲染、“云-边”计算等技术的快速发展，数字孪生逐渐从概念层面的方法理论研究转向了技术层面的落地应用研究。高精度传感器向小微型化、低成本发展，为大量布置传感器以收集物理世界的数据提供了条件；网络爬虫作为数据获取的重要手段之一，有助于大量关键信息的自动化获取，可以为虚拟世界重构物理世界提供海量高价值的数据支持；通讯质量、速率、可靠性的不断提高，为物理世界和虚拟世界之间建立实时连接提供了技术保障；面向大体量、多样化数据的处理技术和人工智能技术的快速发展使虚拟世界具备了处理物理世界海量数据的快速分析和计算能力，为更逼真地模拟物理世界提供了更多可能；高保真的计算机辅助设计技术为构建物理世界的虚拟体提供了几何数据和拓扑结构支持，是物理世界三维虚拟可视化的基础；多物理、多尺度、多学科交叉的数值仿真技术为高保真地模拟复杂多变、多向耦合的物理世界提供了关键技术；计算机渲染技术的发展为数字孪生的最终可视化呈现提供了强大的图形和引擎支持；云计算为处理大体量、多类型数据的分析提供了软硬件支撑，以网络为媒介，云计算可以提供快速安全的计算服务和数据存储，具备强大的可扩展性；而在靠近物理实体或数据源头的一端，通过边缘计算则可以有效利用近端硬件设备，降低网络响应延迟，提升数据处理和分析的效率；“云-边”结合的计算模式则可以充分利用云端的大体量数据处理能力和高性能数据分析能力以及边缘端的快速响应能力，做到同时满足数字孪生所要求的超高保真映射和实时虚实互联。这些高新技术的发展使数字孪生集成了数字化、网络化、智能化等多种优势，使数字孪生可以实现物理实体全生命周期的动态交互、数据融合及优化决策等。
近年来，数字孪生在航空航天、船舶工程、电力能源、机械装备、物流运输、医疗健康、城市管理等多个领域的探索、研究和应用日益增长，国内外众多企业参与其中。例如，ANSYS公司开发了Twin Builder模块。作为一种开放的解决方案，Twin Builder有助于工程师搭建真实世界系统的完整虚拟原型，实现对产品和资产的全生命周期管理。基于TwinBuilder的数字孪生模拟范式允许用户围绕预测方法实现对设备的调度维护，并通过现实世界的测试和响应反馈提高预测信息的精确度。基于所获取的信息，工程师可以从现有设备中解锁额外价值，防止计划外停机，降低运营成本，提升作业效率。美国通用电气公司(General Electric Company，GE)近年来已经把数字孪生概念融入到其网络化发展战略中，并深入到解决方案——将数字孪生部署在其开发的物联网平台Predix。此外，GE与ANSYS合作，借助数字孪生实现了物理机械和分析技术的融合。例如，为了更好的预测发动机随时间的退化，GE构建了飞机发动机的数字孪生，通过虚实互联的方式使其维修过程变得更加细致、透明。PTC公司与ANSYS相互合作，利用其所研发的THINGWORX物联网平台，凭借机器学习与增强现实，可以显示从物联网收集到的重要信息并将其连接到ANSYS软件。为了将增强现实应用于数字孪生，PTC公司开发了相应的软件——Vuforia Engine AreaTargets，它可以实现完全数字化沉浸的互动，进行机械的虚拟操作等。MathWorks公司提出利用MATLAB和Simulink构建数字孪生应用，利用MATLAB在机器学习、深度学习等领域的优势，构建物理设备的数据模型；使用Simulink中的多域建模工具创建基于物理实体的模型(包括机械、液压以及电气组件等)。最终所构建的数据驱动和基于物理实体的模型对设备性能进行预测、分析仿真、异常检测、故障隔离等。SAP公司以自主研发的SAP Leonardo物联网平台为载体，推出了一系列产品和工具以实现其网络化部署数字孪生的愿景。SAP将数字孪生的主体部署在云端进行管理，利用云计算提升模型求解或训练的速度。为了减少边缘端与云端的数据传输负载，在多数情况下只需将有变化的数据进行云边传输，而本地和临时保存的大体量数据则可以作为主体解决底层问题并修正算法模型。除了上述企业，微软、达索、Maple、Autodesk、IBM等国际知名企业同样致力于研发和搭建自身的数字孪生平台。从诸多企业的竞相追逐中可以看出，数字孪生具有深厚的发展潜力和广阔的应用前景。尤其是在当前数字化、网络化和智能化高速发展的时代背景下，深入开展数字孪生的应用研究十分必要。
目前，针对数字孪生技术的研究与开发多集中在对物理实体行为状态的互联、监测、模拟、回馈等方面，而用于揭示物理实体隐藏信息的数字孪生方法研究较少。前者侧重于对物理实体姿态和外在行为的映射，后者侧重于对物理实体内在潜藏性能的计算分析。将这两种类型的数字孪生结合，可实现对物理实体外在形貌信息和内在性能信息的全生命周期揭示，有助于实现对物理实体更为全面的监测、分析、预测等。例如，对不同姿态下人体骨骼的受力状态的分析和监测，可以为医生提供更具时效性和更为精准的患者信息，帮助医生做出合理判断和决策；在不同工况下，对运行装备的结构性能进行监测、诊断以及预测，不仅有助于操作人员避免危险工况，还可以为新产品的研发提供数据支持。因此，针对特定物理实体，建立揭示其外在形貌信息和内在性能信息的数字孪生，实现对物理实体姿态、行为和内在信息的实时模拟与仿真分析，动态预测物理实体的极限性能状态，有助于及时防护与止损。
外在形貌信息和内在性能信息的获得需要机理模型和动态数据的支持。动态数据可以通过但不限于各种类型的传感器获得，这些传感器可用于获取不同环境和状态下物理实体的实时姿态、环境条件、动态行为等。机理模型则是依据物理规律建立的经验、解析以及数值模型，可用于分析和模拟物理实体在不同环境下的内在物理特性。实现特定物理实体内外兼具的数字孪生需要进行大量分析的同时保障计算效率，通过合理分配云端和边缘端的计算资源，建立一种机理模型和动态数据联合驱动的“云-边”计算支撑的数字孪生，可以有效分割计算任务，极大地提高数字孪生的计算效率和精度。
发明内容
本发明的目的是提供一种机理模型和动态数据联合驱动的“云-边”结合数字孪生方法，实现对物理实体的实时监测、模拟、分析、预测、决策指导等。
本发明采用的技术方案如下：
一种机理模型和动态数据联合驱动的“云-边”结合数字孪生方法，所述的“云-边”结合数字孪生方法以机理模型模拟物理世界中各类复杂多变的系统或现象，以动态数据驱动虚拟世界实现对物理世界的实时映射，以云计算和边缘计算为软硬件架构，实现对物理实体的实时监测、模拟、分析、诊断、预测等。所述机理模型由基于物理规律得到的经验公式、解析模型和数值模型构建，所述动态数据由实时传感器数据、爬虫爬取数据、三维虚拟体的几何数据、分析与预测得到的隐藏性能信息组成。所述数字孪生方法可根据特定的物理实体进行定制化设计，所包含的技术和流程由以下部分组成，即通过多种数据采集方法获取物理实体信息，经由适当的数据预处理方法对采集数据进行筛选和简单分析,进而采用实时通讯技术将处理后的数据传输到计算和分析部分，再根据所得到数据由相应的仿真分析方法模拟并预测物理实体的外在行为和内在性能信息，将预处理数据、分析数据和物理实体的几何数据相结合，利用特定的多源数据融合方法将多种数据集成并通过数据存储方法进行存储，同时满足数字孪生数据的历史可溯性、当下实时性和未来预测性。
进一步的，所述物理实体可以是机械设备(如数控机床、挖掘机、航空航天装备等)、工程建筑(如厂房、桥梁、写字楼等)、森林资源(如濒危树木、动物等)、资源管理(如能源管理、城市管理、物流管理等)、人体医疗(如骨骼、脏器等)等等。根据不同物理实体的特性，通过动态调整所应用的数据采集方法、数据预处理方法、实时通信技术、仿真分析方法、多源数据融合方法和数据存储技术等，可以在多种应用场景下搭建数字孪生。
进一步的，所述数据采集方法包括传感器技术、网络爬虫技术等。传感器可以根据物理实体的特性选取不同类型的传感器，其主要准则是尽可能使用最少数量的传感器反映物理实体的姿态和动作。网络爬虫可爬取大量关于物理实体的数据，有助于提取物理实体的特征属性，丰富对物理实体的认知，为后续的建模分析提供指导。
进一步的，所述数据预处理方法可根据不同类型、体量的数据自动选择使用“云边结合”或“云边分离”的计算方式进行最优处理。针对大体量、多种类型的数据可简单地在边缘端对数据进行检测，而缺失数据的补全和冗余数据的清洗则在云端施行；针对类型较少且小体量的数据可以直接在边缘端完成处理。针对网络爬虫爬取的有关物理实体的数据(一般数据量很大)，首先在云端进行特征提取、填充、异常值识别，进而分析得到物理实体的重要性能指标，为构建其机理模型提供指导。针对传感器数据(一般数据体量小)，首先对其进行降噪滤波，尽量减少信号噪声、漂移的影响，进而通过所述的实时通信技术将传感器数据传输到所述多源数据融合方法，实现利用实时的传感器数据动态驱动虚拟世界与物理世界的同步。针对求解得到的性能数据(一般体量较大)，利用所述多源数据融合方法将其与三维虚拟体的几何数据相结合，为后续的渲染处理提供几何和性能数据支撑。数据预处理的主要目的是将多种传感器的数据或者爬虫爬取的数据进行清洗、约简、统一格式，为后续的通信提供轻量、标准化的数据。
进一步的，所述实时通信技术包含多种通信技术，根据不同的应用场景选取或组合所需的通信方式。针对远距离无线通信可以使用4G/5G等通讯手段，近距离无线通讯则可以根据应用场景选择WLAN、蓝牙等，有线通讯可以使用CAN总线、Ethernet等。主要准则是尽可能降低通信所造成的延迟和数据丢包，选择适用于当前应用场景的最优通信方式。
进一步的，所述仿真分析方法由多种数值分析类库、软件支撑。利用行业专家知识、分析爬取数据等对特定物理实体的行为和状态生成先验知识，用于构建性能求解模型。为平衡计算效率和计算精确性，可根据不同部件对物理实体内在性能的影响程度对性能求解模型进行合理简化。针对简化后的模型，基于平衡计算效率和计算精确性的要求，合理选择经验公式、解析模型或数值模型实现物理实体内在性能的求解。
进一步的，所述多源数据融合方法用于实现性能数据的扩容并将多类型数据转化。所述性能数据扩容是以所述仿真分析方法求得的数据为依据，利用传统机器学习、深度学习等人工智能方法对性能数据进行缺失数据的回归、聚合、分类等，从而将数值分析得到的离散数据通过人工智能方法扩容为连续数据；所述多类型数据转化是将实时传感器数据、爬虫爬取数据、三维虚拟体的几何数据、分析与预测得到的隐藏性能信息等多种类型数据统一格式、编码，转化为可实时渲染的数据，构建物理实体包含性能信息的动态三维忠实映射。
进一步的，所述数据存储方法利用分布式存储技术，将数据分散存储在多台独立设备，可满足大规模、大体量、多类型数据存储的需求。分布式存储具有可靠性高、扩展性强与存取速度快的优势，通过多台存储服务器分担存储压力和负荷，既可对数据存储的安全提供保障，还可以极大提高数据读写的效率。
本发明的有益效果为：本发明提供的机理模型和动态数据联合驱动的“云-边”结合数字孪生方法，与现有技术相比具有如下的有益效果：是一种通用的数字孪生方法，适用于多种学科领域，应用场景广泛；可以根据易收集的低成本信息分析和预测出难获取的有价值信息；可同时对物理实体的外在形貌和内在性能进行映射；所生成的数据具备历史可溯性、当下实时性和未来预测性。
附图说明
图1是本发明的方法流程示意图与实现方法。
图2是本发明的关键技术示意图。
图3是本发明的塔式起重机示意图。
图4是本发明的传感器布置示意图。
图3中：1平衡臂拉杆；2塔帽；3吊臂拉杆；4平衡配重；5平衡臂；6驾驶室；7起重吊臂；8变幅小车；9起重吊钩；10塔身；11底座。
图4中：12高度传感器；13风速传感器；14倾角传感器；15吊钩式称重传感器；16拉线传感器。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下述公开具体实施的限制。本发明利用示意图进行详细描述，在详述本发明实施例时，为便于说明，示意图只是实例，其在此不应限制本发明保护的范围。
下面结合附图和具体实例对本发明技术方案做进一步详细描述，所描述的具体实例仅对本发明进行解释说明，并不用以限制本发明。
参阅图1，图1是本发明提供的机理模型和动态数据联合驱动的“云-边”结合数字孪生方法实现流程示意图。该方法的步骤包括：针对特定的物理实体，通过专家知识、网络爬虫数据充分了解物理实体的特征属性，基于这些先验认知知识遴选需重点监测的部位，进而对物理实体易获取的输入量和所需求解的未知量进行抽象和定义，并在输入位置布置相应的传感器以采集物理实体的姿态、动作信息；利用所述数据预处理方法，对所采集得到的信息进行处理，去除冗余数据，补全缺失数据；利用所述实时通信技术将处理后的数据传输至所述仿真分析类库或软件，以处理后的数据为输入，分析求解得到物理实体的内在性能信息；利用所述多源数据融合方法，对实时传感器数据、爬虫爬取数据、三维虚拟体的几何数据、分析与预测得到的隐藏性能数据等多种类型数据进行格式和编码的统一，得到最终的渲染数据；借助计算机渲染技术将所获得的数据渲染映射为物理实体的高保真虚拟体，利用实时的传感器数据作为输入驱动高保真虚拟体的动态运行，实现对物理实体外在形貌和内在性能的实时动态映射；利用分布式存储技术对数字孪生所产生的历史运行数据、当前监测数据和未来预测数据进行存储，使数据可以分别追溯、监测、预测物理实体的过去、当前和未来状态。
参阅图2，图2是本发明提供的机理模型和动态数据联合驱动的“云-边”结合数字孪生方法所应用的关键技术。高精度传感器向小微型化、低成本发展，为大量布置传感器以收集物理世界的数据提供了条件；网络爬虫作为数据获取的重要手段之一，有助于大量关键信息的自动化获取，可以为虚拟世界重构物理世界提供海量高价值的数据支持；通讯质量、速率、可靠性的不断提高，为物理世界和虚拟世界之间建立实时连接提供了技术保障；面向大体量、多样化数据的处理技术和人工智能技术的快速发展使虚拟世界具备了处理物理世界海量数据的快速分析和计算能力，为更逼真地模拟物理世界提供了更多可能；多物理、多尺度、多学科交叉的数值仿真技术为高保真地模拟复杂多变、多向耦合的物理世界提供了关键技术；计算机渲染技术的发展为数字孪生的最终可视化呈现提供了强大的图形和引擎支持；云计算为处理大体量、多类型数据的分析提供了软硬件支撑，以网络为媒介，云计算可以提供快速安全的计算服务和数据存储，具备强大的可扩展性；而在靠近物理实体或数据源头的一端，通过边缘计算则可以有效利用近端硬件设备，降低网络响应延迟，提升数据处理和分析的效率；“云-边”结合的计算模式则可以充分利用云端的大体量数据处理能力和高性能数据分析能力以及边缘端的快速响应能力，做到同时满足数字孪生所要求的超高保真映射和实时虚实互联。
下面通过实施例对本发明的具体实施方式做出进一步的说明。
具体以塔式起重机为例进行说明。
以塔式起重机为实例对象，如图3所示，确定平衡臂拉杆1、吊臂拉杆3、平衡臂5、起重吊臂7、塔身10、底座11为塔式起重机内在结构性能的重点监测部件，并抽象外在负载(如起重吊钩9处所挂重物载荷、整机所受风载等)、重物位置(由变幅小车8、起重吊钩9、塔身10共同确定)为其输入量，各关键部件的变形、应力信息为所求的输出量。输入量的确定和量化可以通过布置各种不同类型的传感器进行采集。塔式起重机的其他部件包括平衡配重4、驾驶室6、底座11。如图4所示，可在起重吊臂上布置倾角传感器14、高度传感器12和拉线传感器16分别测量吊臂的倾斜角度和重物的位置；在起重吊钩处安装吊钩式称重传感器15采集负载的重量；在塔帽2上安装风速传感器13监测风载等。
由于受环境、人为操作、监测手段等因素的影响，从传感器获取的测量数据通常会包含大量噪音，导致测量结果存在较大误差。因此，针对所采集的传感器数据，需要使用特定算法进行滤波降噪。在塔式起重机重物的位姿测量中，采用高通滤波对输出信号进行处理，可以有效降低漂移对测量数据的影响。而对于残留在主信号上的小幅值噪声，利用小波变换可以有效将其滤除。通过这些降漂和去噪操作，可以改善对塔式起重机运行姿态的监测精准度，有效减少因测量不准而导致的性能预测误差大的问题。
考虑传感器安装位置、零部件结构特征、特定环境要求、通信协议不同等多种因素限制，需要使用多种通信方式来传输经过降噪滤波的数据。起重吊臂上所安装的拉线、高度、风速和倾角传感器可以使用CAN总线协议进行通信，进而将采集数据传输到边缘端设备(如单片机、PLC、PC等)；吊钩的自由度较大，不适宜在其上布置线缆，因此其上布置的称重传感器可以使用蓝牙或WLAN等无线通信协议与边缘端设备进行数据传输。各类型传感器数据经由边缘端设备汇总处理后，可以根据计算量的大小选择在边缘端继续处理或发送至云端进行分析计算。对于计算量小的分析可以利用边缘端的PC进行快速处理，对于大批量的计算任务则可以将汇总后的传感器信号利用4G/5G通信协议传输到云端后，再执行分析计算。
塔式起重机结构和载荷复杂，对其性能进行分析时需要对各部件进行主次分类。对于最易破坏的平衡臂拉杆、吊臂拉杆、平衡臂、起重吊臂、塔身和底座进行高保真的数值建模；而对于起升钢丝绳、塔帽等次要部件的性能信息，则可以利用相对简化的解析和经验方程进行求解；其他部件如驾驶室等则可以直接视为刚体，不进行性能分析。
针对塔式起重机的性能数据，利用传统的机器学习、深度学习等人工智能方法对其进行回归、聚合、分类等，将数值分析得到的离散数据扩容为为连续数据。例如对多个工况下塔式起重机起重臂的结构性能完成分析后，可以利用所得到的分析结果训练出起重机全部解空间的性能信息。进而以实时的载荷、风速等传感器数据为输入，可以快速预测出塔式起重机在运行时的动态性能。当所有部件的性能预测模型构建完成后，就可以利用计算机图形接口(例如OpenGL/WebGL/Direct3D等)将所预测得到的动态性能信息和三维虚拟体的几何数据进行融合，实现塔式起重机形貌和性能一体的三维动态展示。
在塔式起重机的运行过程中，利用分布式存储技术，可以将传感器数据、运行姿态数据、性能预测数据进行存储，提供对历史运行数据的查询、当下运行数据的在线图表化显示以及对设备未来行为的动态预测。利用历史数据、实时数据和预测数据相互校正，可以有效预测塔式起重机的失效与破坏行为，避免潜在安全隐患的进一步扩展。
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。
Claims (6)
1.一种机理模型和动态数据联合驱动的“云-边”结合数字孪生方法，其特征在于，所述的“云-边”结合数字孪生方法以机理模型模拟物理世界中的系统或现象，以动态数据驱动虚拟世界实现对物理世界的实时映射，以云计算和边缘计算为软硬件架构，实现对物理实体的实时监测、模拟、分析、诊断、预测；所述机理模型由基于物理规律得到的经验公式、解析模型和数值模型构建，所述动态数据由实时传感器数据、爬虫爬取数据、三维虚拟体的几何数据、分析与预测得到的隐藏性能信息组成；所述数字孪生方法根据特定的物理实体进行定制化设计，所包含的技术和流程由以下部分组成：通过多种数据采集方法获取物理实体信息，经由数据预处理方法对采集数据进行筛选和简单分析，进而采用实时通讯技术将处理后的数据传输到计算和分析部分，再根据所得到数据由相应的仿真分析方法模拟并预测物理实体的外在行为和内在性能信息，将预处理数据、分析数据和物理实体的几何数据相结合，利用多源数据融合方法将多种数据集成并通过数据存储方法进行存储，同时满足数字孪生数据的要求；
所述的数据预处理的主要目的是将多种传感器的数据或者爬虫爬取的数据进行清洗、约简、统一格式，为后续的通信提供轻量、标准化的数据。
2.根据权利要求1所述的一种机理模型和动态数据联合驱动的“云-边”结合数字孪生方法，其特征在于，所述的数据采集方法包括传感器技术、网络爬虫技术。
3.根据权利要求2所述的一种机理模型和动态数据联合驱动的“云-边”结合数字孪生方法，其特征在于，所述数据预处理方法根据不同类型、体量的数据自动选择使用“云边结合”或“云边分离”的计算方式进行最优处理，具体如下：针对大体量、多种类型的数据可简单地在边缘端对数据进行检测，而缺失数据的补全和冗余数据的清洗则在云端施行；针对类型较少且小体量的数据可直接在边缘端完成处理；针对网络爬虫爬取的有关物理实体的数据，首先在云端进行特征提取、填充、异常值识别，分析得到物理实体的重要性能指标，为构建其机理模型提供指导；针对传感器数据，首先对其进行降噪滤波，通过实时通信技术将传感器数据传输到所述多源数据融合方法，实现利用实时的传感器数据动态驱动虚拟世界与物理世界的同步；针对求解得到的性能数据，利用多源数据融合方法将其与三维虚拟体的几何数据相结合，为后续的渲染处理提供几何和性能数据支撑。
4.根据权利要求3所述的一种机理模型和动态数据联合驱动的“云-边”结合数字孪生方法，其特征在于，所述实时通信技术包含多种通信技术，根据不同的应用场景选取或组合所需的通信方式。
5.根据权利要求4所述的一种机理模型和动态数据联合驱动的“云-边”结合数字孪生方法，其特征在于，所述仿真分析方法由多种数值分析类库、软件支撑；对特定物理实体的行为和状态生成先验知识，用于构建性能求解模型；为平衡计算效率和计算精确性，根据不同部件对物理实体内在性能的影响程度对性能求解模型进行合理简化；针对简化后的模型，基于平衡计算效率和计算精确性的要求，选择经验公式、解析模型或数值模型实现物理实体内在性能的求解。
6.根据权利要求5所述的一种机理模型和动态数据联合驱动的“云-边”结合数字孪生方法，其特征在于，所述的多源数据融合方法用于实现性能数据的扩容并将多类型数据转化；所述性能数据扩容是以所述仿真分析方法求得的数据为依据，利用人工智能方法对性能数据进行缺失数据的回归、聚合、分类，将数值分析得到的离散数据通过人工智能方法扩容为连续数据；所述多类型数据转化是将实时传感器数据、爬虫爬取数据、三维虚拟体的几何数据、分析与预测得到的隐藏性能信息统一格式、编码，转化为可实时渲染的数据，构建物理实体包含性能信息的动态三维忠实映射。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111191507.6A CN113868803A (zh) | 2021-10-13 | 2021-10-13 | 机理模型和动态数据联合驱动的“云-边”结合数字孪生方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111191507.6A CN113868803A (zh) | 2021-10-13 | 2021-10-13 | 机理模型和动态数据联合驱动的“云-边”结合数字孪生方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113868803A true CN113868803A (zh) | 2021-12-31 |
Family
ID=78998855
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111191507.6A Pending CN113868803A (zh) | 2021-10-13 | 2021-10-13 | 机理模型和动态数据联合驱动的“云-边”结合数字孪生方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113868803A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115303946A (zh) * | 2022-09-16 | 2022-11-08 | 江苏省特种设备安全监督检验研究院 | 基于数字孪生的塔式起重机工作监测方法、系统 |
| CN116524030A (zh) * | 2023-07-03 | 2023-08-01 | 新乡学院 | 一种用于数字孪生的起重机摇摆情形下的重建方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111210359A (zh) * | 2019-12-30 | 2020-05-29 | 中国矿业大学(北京) | 面向智能矿山场景的数字孪生演化机理及方法 |
| CN111368417A (zh) * | 2020-03-02 | 2020-07-03 | 大连理工大学 | 面向重大装备或关键部件的“形-性”一体化数字孪生方法 |
| CN112994989A (zh) * | 2021-05-20 | 2021-06-18 | 北京智芯微电子科技有限公司 | 物联网终端的评测方法、装置、系统、及存储介质 |
| CN113236491A (zh) * | 2021-05-27 | 2021-08-10 | 华北电力大学 | 一种风力发电数字孪生系统 |
| CN113344505A (zh) * | 2021-05-11 | 2021-09-03 | 广东省科学院智能制造研究所 | 一种基于数字孪生的卫陶产品装配生产管理系统及方法 |
-
2021
- 2021-10-13 CN CN202111191507.6A patent/CN113868803A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111210359A (zh) * | 2019-12-30 | 2020-05-29 | 中国矿业大学(北京) | 面向智能矿山场景的数字孪生演化机理及方法 |
| CN111368417A (zh) * | 2020-03-02 | 2020-07-03 | 大连理工大学 | 面向重大装备或关键部件的“形-性”一体化数字孪生方法 |
| CN113344505A (zh) * | 2021-05-11 | 2021-09-03 | 广东省科学院智能制造研究所 | 一种基于数字孪生的卫陶产品装配生产管理系统及方法 |
| CN112994989A (zh) * | 2021-05-20 | 2021-06-18 | 北京智芯微电子科技有限公司 | 物联网终端的评测方法、装置、系统、及存储介质 |
| CN113236491A (zh) * | 2021-05-27 | 2021-08-10 | 华北电力大学 | 一种风力发电数字孪生系统 |
Non-Patent Citations (3)
| Title |
|---|
| XIAONAN LAI等: "Designing a Shape–Performance Integrated Digital Twin Based on Multiple Models and Dynamic Data: A Boom Crane Example", 《JOURNAL OF MECHANICAL DESIGN》, 5 February 2021 (2021-02-05), pages 1 - 15 * |
| 杨帆 等: "数字孪生在电力装备领域中的应用与实现方法", 《高电压技术》, 31 May 2021 (2021-05-31), pages 1 - 17 * |
| 邹亚男 等: "矿用电铲的形性一体化数字孪生方法及其验证", 《机电产品开发与创新》, 31 July 2021 (2021-07-31), pages 1 - 3 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115303946A (zh) * | 2022-09-16 | 2022-11-08 | 江苏省特种设备安全监督检验研究院 | 基于数字孪生的塔式起重机工作监测方法、系统 |
| CN116524030A (zh) * | 2023-07-03 | 2023-08-01 | 新乡学院 | 一种用于数字孪生的起重机摇摆情形下的重建方法及系统 |
| CN116524030B (zh) * | 2023-07-03 | 2023-09-01 | 新乡学院 | 一种用于数字孪生的起重机摇摆情形下的重建方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112836404B (zh) | 智能挖掘机的结构性能数字孪生体构建方法 | |
| CN112731887B (zh) | 石化无人值守装卸线数字孪生智能监控系统及方法 | |
| Lai et al. | Designing a shape–performance integrated digital twin based on multiple models and dynamic data: a boom crane example | |
| Qi et al. | Enabling technologies and tools for digital twin | |
| Tao et al. | Digital twin modeling | |
| CN111368417B (zh) | 面向重大装备或关键部件的“形-性”一体化数字孪生方法 | |
| CN112487584A (zh) | 一种基于动力学的滚动轴承数字孪生建模方法 | |
| CN113868803A (zh) | 机理模型和动态数据联合驱动的“云-边”结合数字孪生方法 | |
| CN111159793A (zh) | 基于数字孪生五维模型3d打印机建模方法及模型系统 | |
| CN110216680B (zh) | 一种服务机器人云地协同故障诊断系统和方法 | |
| CN114357732A (zh) | 电子装备数字孪生模型及其构建方法和应用 | |
| CN113420465B (zh) | 一种基于数字孪生模型的液压支架全寿命周期管理方法 | |
| CN108460834A (zh) | 一种风电场数字化平台设计的方法以及相关设备 | |
| CN116976549A (zh) | 一种面向设备密集离散型制造工厂的智能优化管控方法 | |
| Lai et al. | Digital twin-based structural health monitoring by combining measurement and computational data: An aircraft wing example | |
| CN115423132A (zh) | 一种基于数字孪生的工程机械预测性维护方法 | |
| Zhou et al. | Fault diagnosis method of the construction machinery hydraulic system based on artificial intelligence dynamic monitoring | |
| CN114384881A (zh) | 基于数字孪生的车间物流监测与仿真系统及方法 | |
| CN117332635B (zh) | 一种基于数字孪生的结构在线监测系统及方法 | |
| CN114147706A (zh) | 一种基于数字孪生的协作机器人远程监测系统与方法 | |
| CN116081488B (zh) | 一种场景自适应单轨吊运输机器人无人驾驶控制方法 | |
| CN113496548A (zh) | 一种面向透明工厂的生产现场数据映射方法 | |
| Du et al. | Industrial robot digital twin system motion simulation and collision detection | |
| CN109829174A (zh) | 虚实同步验证平台的实现方法 | |
| Liu | Research on the Design of Digital Twin System for Construction Safety |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |